-
公开(公告)号：CN118760193A
公开(公告)日：2024-10-11
申请号：CN202411084156.2
申请日：2024-08-08
Applicant: 贵州大学
Abstract: 本申请提供一种基于多策略指数分布优化的机器人路径规划方法，涉及机器人技术领域，该方法包括：初始化路径规划模型参数；采用QMEDO算法，对采用路径规划模型确定的初始路径方案进行规划，确定目标路径规划方案。本申请通过对指数分布优化算法可能存在的陷入局部最优和开发弱的问题进行改进，为移动机器人的路径规划提供一种新的求解方法，可提高机器人作业的效率，有效降低成本和能源消耗。
-
公开(公告)号：CN119003135A
公开(公告)日：2024-11-22
申请号：CN202411467773.0
申请日：2024-10-21
Applicant: 贵州大学
Abstract: 本发明提出了一种高精度的人工神经网络优化算法的云任务模型方法，包括：步骤1:初始化；步骤2:初始化完成后，开始基于SCVNNA的最优解搜索过程；步骤3:个体的全局探索和局部开发行为将取决于当前差异调整算子z的值，如果z大于0到1之间的随机数，那么将执行差异调整种群更新它们的位置；步骤4:一旦达到最大迭代次数，搜索过程停止，将个体的位置转换为决策变量，并作为最佳的云计算任务调度方案。本发明具有显著的优点，包括提升任务调度的精度和计算效率，显著减少资源的空闲和浪费。同时，该方案通过全局探索与局部优化相结合，提高了系统的鲁棒性和优化效果，适用于大规模云计算任务的高效调度和管理。
-
Patent Agency Ranking
公开(公告)号：CN117950863A
公开(公告)日：2024-04-30
申请号：CN202410065744.5
申请日：2024-01-16
Applicant: 贵州大学 , 贵州白山云科技股份有限公司
Abstract: 本发明提出了一种具有高效优化的云资源任务调度方法，方法包括：将用户输入的作业分解为一组计算任务，利用任务属性对每个计算任务进行表征；对时间开销函数、负载开销函数和价格成本函数进行归一化；通过利用时间开销函数、负载开销函数、价格成本函数和多目标函数建立云调度模型，利用云调度模型对计算任务匹配计算资源；通过改进后鲸鱼优化算法对云调度模型匹配的计算资源进行优化。本发明利用时间开销函数、负载开销函数、价格成本函数和多目标函数建立云调度模型，后通过鲸鱼优化算法对云调度模型匹配的计算资源进行优化，通过改进后鲸鱼优化算法的不断迭代为每一个计算任务匹配一个最优的计算资源，从而提高云调度模型的调度效率和准确性。
-
公开(公告)号：CN119003135B
公开(公告)日：2024-12-27
申请号：CN202411467773.0
申请日：2024-10-21
Applicant: 贵州大学
Abstract: 本发明提出了一种高精度的人工神经网络优化算法的云任务模型方法，包括：步骤1:初始化；步骤2:初始化完成后，开始基于SCVNNA的最优解搜索过程；步骤3:个体的全局探索和局部开发行为将取决于当前差异调整算子z的值，如果z大于0到1之间的随机数，那么将执行差异调整种群更新它们的位置；步骤4:一旦达到最大迭代次数，搜索过程停止，将个体的位置转换为决策变量，并作为最佳的云计算任务调度方案。本发明具有显著的优点，包括提升任务调度的精度和计算效率，显著减少资源的空闲和浪费。同时，该方案通过全局探索与局部优化相结合，提高了系统的鲁棒性和优化效果，适用于大规模云计算任务的高效调度和管理。
-
公开(公告)号：CN118132268A
公开(公告)日：2024-06-04
申请号：CN202410318556.9
申请日：2024-03-20
Applicant: 贵州大学
Abstract: 本发明涉及云计算调度技术领域，尤其涉及一种基于学习型指数分布优化算法的云资源自适应调度方法，包括设定调度参数并初始化BOMLDEDO算法的基本参数；进行BOML种群初始化以生成初始种群，根据适应度函数找到最佳解；构建无记忆矩阵；基于给定的转换概率确定执行的阶段；基于探索阶段或开发阶段产生的新解进行边界检查以保证符合边界要求，然后更新无记忆矩阵；根据适应度函数计算解，记录当前最佳解，并更新对应的所述决策变量；重复循环直至达到结束条件输出云计算最优调度方案。本发明通过使用结合BOML策略和基于伯恩斯坦的自适应差分策略的BOMLDEDO算法，能够有效避免云计算运行过程中陷入局部最优的情况发生，有效提高了云计算运行过程中针对多用户多任务的调度效率。
-
公开(公告)号：CN119577401A
公开(公告)日：2025-03-07
申请号：CN202510130731.6
申请日：2025-02-06
Applicant: 贵州大学
IPC: G06F18/211 , G06F18/10 , G06F17/16 , G06N3/042 , G06N3/0455 , G06N3/08 , G06N5/04
Abstract: 本发明提出了一种基于因果推理的无人机故障重要特征参数优选方法、系统及介质，所述方法包括：S1，采集故障数据，所述故障数据包括陀螺仪、GPS和空速计等所采集的飞行故障数据；S2，对故障数据进行数据处理；S3，因果结构学习：对数据处理后的数据依次经过VAE的解码器、VAE的编码器进行因果结构学习，得到表示特征之间的因果关系的加权因果DAG；S4，重要故障特征选择：得到加权因果DAG后计算节点分数，然后对节点分数降序排序，选择排名前F个的故障特征变量作为特征子集，F为正整数。本发明能有效筛选出无人机故障的特征参数，可用于故障诊断，从而有助于减少无人机发生故障的频率，提升其安全性和可靠性。
-
公开(公告)号：CN117632480A
公开(公告)日：2024-03-01
申请号：CN202311463211.4
申请日：2023-11-06
Applicant: 贵州大学
Abstract: 本发明提出了一种具有全局搜索机制快速收敛的云资源规划调度方法，包括以下步骤：S1，获取用户的初始化参数数据，所述参数数据包括任务字节大小和虚拟机带宽；然后建立目标函数；S2，采用改进蛇优化算法，得到最优种群；S3，从最优种群中选择目标函数值最小的个体作为最优资源调度方案。综上所述，由于采用了上述技术方案，本发明能够进一步提高了云资源调度的合理性，能最大化资源利用率，解决了云资源调度中的资源浪费或业务性能的下降的问题。
-
-
-
-
-
-
Search Results
7
records
(took 0.013 seconds)
